一种求解矩形排样问题的遗传-离散粒子群优化算法

针对制造业领域的矩形优化排样问题,提出一种遗传-离散粒子群优化算法.引入交换子和交换序概念,解决了标准粒子群优化算法在求解组合优化问题时粒子的更新难以描述问题;融合遗传算法的交叉与变异思想,增强了粒子群的多样性和稳定性;同时采用改进的最低水平线搜索算法加快算法的收敛速度,并解码形成排样方案.通过实验数据对比,验证了该算法在求解矩形排样问题中的高效性和鲁棒性.     

矩形微带天线谐振频率的粒子群神经网络建模

谐振频率是微带天线设计过程中最重要的一个参数,直接决定设计的成败.文章提出一种改进的前向神经网络模型,该模型采用粒子群优化算法进行训练,网络结构可以根据被建模问题的复杂程度进行自适应调整,进而得到泛化能力好的神经网络.通过这种改进的粒子神经网络对矩形微带天线的谐振频率进行建模,得到的结果明显优于该问题已有文献的结果,可见这种粒子群神经网络对此问题的有效性.基于粒子群神经网络的矩形微带天线谐振频率模型可以明显提高微带天线的计算机辅助设计水平.     

计算机优化排样

文中对计算机优化排样扔算法进行了研究，从提高系统的优化程度和尽可能缩短系统的运行时间关卡别对球同零件的多件排样，提出“二步法”，将矩形模块法与启发式搜索法结合起来，并通过编程在实际应用中取得了良好的效果 。     

基于改进的粒子群算法的二维阵列天线方向图综合技术

该文运用一种改进的粒子群优化算法对不等幅激励的矩形平面阵列天线的最大旁瓣电平进行了优化,采用对全局最优粒子微扰和跳变的惯性权重策略,并使用粒子群算法本身对参数组合进行了优化选择。新算法大大改善了优化速度和收敛精度。对二维阵列天线旁瓣电平优化和稀疏阵列方向图综合的良好结果也证明了该方法的有效性。     

新的自适应免疫量子粒子群优化算法

为了克服粒子群优化算法早熟收敛以及粒子在进化过程中缺乏很好的方向指导的问题,算法中采用了量子技术以及免疫机制来提高粒子群的收敛速度和寻优能力,从而获得了一个新的自适应免疫量子粒子群优化算法.仿真试验表明该算法具有较好的性能.     

求解排列问题的分布估计离散粒子群优化算法

目前粒子群优化算法和分布估计算法较少用于解决排列编码组合优化问题,本文提出了一种新的适用于求解排列问题的分布估计离散粒子群优化算法.提出的算法结合粒子群优化算法和分布估计算法的思想,突破了标准粒子群优化算法速度-位移更新模式.新算法中每个粒子的信息一部分来自该粒子当前解排列与全局最优排列的最长公共子串,另一部分来自描述所有个体最优值分布信息的概率模型.这样粒子的当前解、所有个体最优值和全局最优值都参与了新解的生成过程,提出的算法秉承了粒子群优化算法的思想,同时具有更全面的学习能力,提高了算法的寻优能力以及避免陷入局部最优的能力.在两个经典的排列问题上的实验结果表明提出的算法具有良好的性能.     

矩形毛坯四块排样方式及其算法

提出矩形毛坯四块排样方式的生成算法,并将该算法与线形规划相结合形成矩形毛坯四块排样方案生成算法,用于求解大规模矩形毛坯排样问题.该算法采用三条剪切线将板材分成四个矩形区域,每个区域中包含一个由同尺寸毛坯组成的规范块.利用文献中报道的例题进行实验计算,与二阶段、T形、两段、三阶段排样算法相比,该算法生成的排样方案在保证利用率的前提下,能够在一定程度上简化切割工艺.     

微带天线谐振频率的小波粒子群小波神经网络建模

谐振频率是微带天线设计过程中最重要的一个参数,直接决定设计的成败。本文基于改进的小波变异粒子群优化算法该算法的小波神经网络对矩形微带天线的谐振频率进行建模,可以有效地提高神经网络的建模精度。仿真试验表明,改进的小波变异粒子群优化算法是一种有效的方法,可以有效提高小波神经网络的泛化能力,基于该算法所建立的微带天线的谐振频率模型好于此问题的已有结论。     

基于重心法的粒子群优化算法

针对函数优化问题,提出了一种基于重心法的粒子群优化算法。该算法利用混沌序列产生粒子的位置和速度,并通过重心法和分类方式更新粒子的速度。最后将算法应用到函数优化问题中,并与其它改进的粒子群算法进行比较。数值结果表明,提高了算法局域搜索能力,全局最优解的精度。     

禁忌粒子群算法在几何约束求解中的应用

约束问题可以转化为优化问题,针对粒子群优化算法在算法的后期易陷入局部最优的缺点,提出TPSO(禁忌粒子群优化算法),在算法的前期采用粒子群算法快速产生全局最优解信息素的初始分布,后期引入禁忌搜索算法,记录已经达到的局部最优解,在下一次搜索中,不再或者有选择地搜索这些点,从而跳出局部最优点,并且在搜索过程中允许接受劣解,充分利用禁忌搜索的记忆能力及较强的爬山能力,大大提高了获得全局最优解的概率.该算法综合了粒子群优化算法的快速性,随机性和全局收敛性以及禁忌搜索局部寻优的能力.在确保全局收敛性的基础上,能够快速搜索到高质量的优化解.该方法用于几何约束求解的性能明显高于标准粒子群算法,算法具有良好的优化性能和时间性能.     

基于VB和Access的温度采集系统的设计与实现

针对函数优化问题,提出了一种基于离差平方和法的粒子群优化算法。该算法用混沌序列初始化粒子的位置和速度,选择好于粒子群优化算法产生的粒子位置。通过离差平方和法进行聚类,利用分类方式来更新粒子的速度。最后将算法应用到3个典型的函数优化问题中,数值结果比较表明,提高了算法搜索能力,全局最优解的精度和收敛速度。     

基于混合粒子群算法求解TSP问题

遗传算法是研究TSP问题中最为广泛的一种算法,它具有全局搜索的能力。而粒子群算法收敛速度较快,但容易造成局部最优的情况。本文基于遗传算法的交叉变异设计了混合粒子群算法,通过对TSP问题求解分析,证实该方法提高了标准粒子群的搜索能力,获得了较高的收敛速度和近似最优解。     

基于粒子群算法改进的电力系统

本文针对传统粒子群算法自实际应用中出现速度缓慢及局部最优解等等问题,提出了一种改进粒子群算法,并且将其应用在电力系统中,希望能够解决电力系统所存在的例如无功优化等问题中.改进后的粒子群算法在实际应用中收敛速度更加合理,能够有效保证种群的多元性,有效解决传统粒子群所存在的局部最佳解问题.     

改进粒子群算法在频谱功率分配中的应用

在认知无线电中,由于次用户干扰门限要求的存在,传统频谱功率分配方式获得的次用户有效信道容量较低。针对这一问题,提出了一种基于粒子群算法的频谱功率分配算法。首先建立基于干扰距离的认知网络干扰模型,将频谱功率分配问题转化为函数优化问题,并借助混合随机变异思想的粒子群算法进行求解;针对寻优过程中的约束问题,提出了一种基于投入产出比的外点法,保证粒子群在可行域中寻优,最终获得频谱功率分配。仿真结果表明,与传统算法相比,所提算法能够获得较高的次用户有效信道容量。     

改进的粒子群优化算法

提出了改进的粒子群优化算法。基于4个不同的基准函数对所提算法与1995年Kennedy和Eberhart提出的常规PSO作了比较。PSO最初是受到如鸟或鱼等生物群体的社会行为的启发而提出的,每一个体依照自身及群体的过去解决问题的最好办法来调整自己的最佳位置,通过重复这一过程来得出最佳值。这里提出的改进的PSO的关健之处在于:如果一个新的位置确实得到了改善,则每一个体就调整它的位置;如果不是这样,就根据概率来做出决定。这一策略是既避免盲目跳转又避免只简单地跳转到好的新位置而陷入局部最优。模拟结果表明改进的PSO总能比PSO找到更好的解决方法。     

一种新的数字调制信号分类特征选择算法

针对调制信号分类特征选择问题,提出了自适应惯性权重模拟退火二进制离散粒子群算法。该算法将模拟退火算法嵌入到离散粒子群算法循环体中,利用模拟退火算法具有较强的局部搜索能力和避免陷入局部最优解的特点,解决了简单智能优化算法早熟收敛和局部搜索能力弱等问题。仿真结果表明,该算法能有效选取最优特征,性能优于简单离散粒子群算法和遗传算法。     

Multi-scale Single Image Super-Resolution with Remote-Sensing Application Using Transferred Wide Residual Network

In the integrated circuit (IC) designing floorplanning is an important phase in the process of obtaining the layout of the circuit to be designed. The floorplanning determines the performance, size, yield, and reliability of VLSI ICs. The obtained results in this step are necessary for the other consecutive process of the chip designing. VLSI floorplanning from the computational point of view is a non-polynomial hard (NP-hard problem), and hence cannot be efficiently solved by the classical optimization techniques. In this paper, we have proposed a metaheuristic approach to address the problem by using the parallel particle swarm optimization (P-PSO) technique. The P-PSO uses a new greedy operation on the sequence pair (SP) to explore the search space to find an optimal solution. Experimental results on the Microelectronic Centre of North Carolina and Gigascale Systems Research Center benchmark shows that the applied parallel PSO (P-PSO) may be used to produce an optimal solution.

     

多种群协同进化算法优化的云存储仿真分析

云平台下大数据的极速增长,使得传统的数据存储由于时间响应慢、负载不均衡等因素,成为阻碍大数据云存储的关键技术,为了解决云平台下大数据的存储问题,提出了多种群协同进化优化算法的存储方法.该方法首先将存储分布区分割成若干个环区域,同时标记每个存储区的存储访问时间,然后将大数据的存储访问抽象为最优解问题.通过改进协同进化算法,防止粒子群早熟,采用该优化算法对大数据存储过程中的任务调度粒子群分别编码,根据微粒群不断进化和变异,迭代得到最优解,从而满足云平台下大数据存储的实际需求.利用Cloudsim搭建仿真平台,对提出的新型大数据存储方法加以评估验证,结果表明该方法不仅具有更快的响应速度,而且降低了系统能耗,提高了负载均衡度.     

基于网络设计的路段可逆车道布局优化

为了应对城市道路交通供需关系的变化情况,合理分配道路空间资源,文中对可逆车道布局进行了研究,利用双层规划方法,建立了以系统总出行时间最小为上层问题目标,以非对称影响的SUE问题为下层问题的可逆车道设置位置和规模的优化模型。该模型中,在需求层面,考虑了3种不同出行特性的车辆:社会车辆、公交车辆和紧急救援车辆;在供给层面,模型中将引入对交叉口的考虑,不仅在计算出行时间中考虑交叉口的影响,且在优化变量中将路段可变车道与交叉口车道功能一同考虑。文中给出了模型的求解方法,对于上层问题采用粒子群优化算法求解,对于下层采用结合了MSA算法的"对角化"算法求解。经计算,系统总出行时间降低了20%。证明该可逆车道的设置是合理有效的。